100% 代码视频（Remotion + 本地音频）
工作顺序（请勿更改顺序）
- 先写故事（HyperFrames
story.md方法）：仅此一项，3 条故事线，前 2 秒内要有钩子，按百分比划分节拍，禁止生成视频的“提示”（所有元素平等进入、无故漂浮、卡片排列、浮动标志）。编写包含时间码的SCRIPT.md。 - 配音 → 实际时长 →
timeline.json（场景、每行开始时间、事件、音乐段落）。音频和视频读取同一个 JSON。 - 音频主轨（音乐 + 音效 + 带闪避的配音，−15.5 LUFS，峰值 ≤ −1 dBTP）。
- Remotion 场景，一个
Film合成，每个场景使用<Sequence>；在渲染前检查控制帧（联系表）。 - 按场景渲染（
--frames=a-b --muted） → 拼接 → 用 ffmpeg 混流 → 用提取的帧进行质量控制。
引擎
npx create-video@latest --yes --blank --no-tailwind <dir>;npx remotion add @remotion/transitions @remotion/media @remotion/effects @remotion/noise @remotion/paths @remotion/shapes @remotion/motion-blur @remotion/fonts。- 无 GPU 沙盒：在
remotion.config.ts中设置Config.setBrowserExecutable(<chrome-headless-shell>)、Config.setChromiumOpenGlRenderer("swangle")、setConcurrency(2)、setCrf(18)、setPixelFormat("yuv420p")。 - 字体：使用
@fontsource[-variable]/*包（npm 可用；Google Fonts 不可用）。在捕获前使用delayRender等待document.fonts.load()（包含 glyphs áéíóúñ¿¡）。 - Remotion 规则：所有内容从
useCurrentFrame()派生；使用带 clamp 的interpolate；使用 Remotion 的random(seed)；禁止使用 CSStransition/animation、Math.random、Date、定时器、useFrame。 - 成本估算（2 CPU，1080p）：空场景 ≈0.1 秒/帧；2000 个 canvas 精灵 ≈0.7 秒/帧；全屏
filter: blur()≈2.5 秒/帧。粒子：封闭形式（位置 = f(种子, i, t)）、径向预模糊精灵、globalCompositeOperation: "lighter"。 - 一个 3 分钟的短片（5400 帧，1080×1920）在 2 核 CPU 上大约需要 1 小时 30 分钟。保存 bundle（
npx remotion bundle）并从它渲染。
可复用工具包（此仓库中不包含；作为待构建零件列表）
anim.ts（按角色分类的缓动、闭合弹簧、keyedState、眨眼、漂移）、Camera2D.tsx（带视差/推拉的图层）、Particles.tsx（雨、萤火虫、灰尘、星星、颗粒）、City.tsx（程序化霓虹城市 + 反射）、Text.tsx（动态、霓虹、逐词字幕、可变标题）、Post.tsx（暗角、闪光、宽银幕、光线）、character/Mia.tsx（绑定：姿势 + 表情 + 口型 A–H/X + 眨眼 + 呼吸 + 边缘光 + 道具）、character/Lucero.tsx、Flat.tsx（带手绘风格的扁平世界）、ChatScreen.tsx、lipsync.ts。tools/ 中的脚本：voice.py、make_voices.py、asr.py、make_timeline.py、make_audio.py、render_all.sh、assemble.sh、sheet.py。
角色
- 绑定 = 数值参数（姿势、表情、口型），可按帧混合；表情预设；使用
keyedState（预期 → 动作 → 稳定）进行过渡。头部引导，身体跟随；每 2–5 秒播种式眨眼；切勿用相同曲线同时移动所有部分。 - 口型同步：Rhubarb
-r phonetic -f json处理 22 kHz 单声道 16 位 WAV → 生成 A–H/X 提示 → 在提示之间混合嘴部参数（50 ms 混合）。轻声时开口强度 ×0.7。 - 在动画开始前，先制作角色表（表情、口型、姿势）的静态图。
配音（西班牙语，本地）
- Kokoro-82M ONNX（
kokoro-onnx，语音ef_dora、em_alex、em_santa，语言es-419）和 Piper（piper-tts，es_MX-claude-high、es_AR-daniela-high）。模型在 GitHub releases（thewh1teagle/kokoro-onnx，k2-fsa/sherpa-onnx）。 - 儿童音：用
rubberband -p N -F升 +4…+6 半音（保持共振峰）。低音：−4。“合成声音”：−2 st 层（26%）+ 延迟 12 ms 的 +0.3 st 层（18%）+ 大混响。 - 务必用 ASR 验证（通过 sherpa-onnx ≥ 2.0 的 Parakeet-TDT 0.6B v3）：计算 WER 与文本的比较；若 > 5% 则重新生成或重写句子。在应用效果前验证（混响会混淆 ASR 的语言检测器）。ASR 的逐词时间戳用于字幕。
- 如果用户有自己的配音（例如 ElevenLabs），则替换每行的 WAV 并重新生成提示和时间线，无需修改场景。
音乐与音效
- 用
pretty_midi按段落（BPM、和弦进行、GM 乐器）创作 MIDI →fluidsynth -ni -g 0.6 -r 48000 -F out.wav MuseScore_General_Full.sf3 in.mid→ pedalboard（高通滤波器、压缩器、混响）→ pyloudnorm。 - 视觉同步 = 相同的节拍算术（每节拍帧数 = fps·60/bpm，根据节拍索引计算每个节拍）。
- 音效需要有屏幕上的原因；将峰值放在图像之后 1 帧；轮换采样；用 numpy 合成不存在的音效（嗡嗡声、雨声、铅笔声、闪光声、低音冲击）。
- 混音：配音 −20 dBFS RMS，音乐在配音下方 −8 dB（闪避 120 ms / 700 ms），音效 −4 dB，主轨 −15.5 LUFS，峰值 0.6。使用频谱图（
ffmpeg showspectrumpic）检查是否有任何背景噪音（如雨声）覆盖了配音。
指导（来自已读取的技能：Remotion、HyperFrames、iart-ai motion/kinetic/webgl、nolanx、anatomy、isometric-ops、taste-skill）
- 每个节拍一个动作；入场使用长尾缓动（
bezier(0.16,1,0.3,1)），出场速度加快 40–50%；摄像机使用inOut；标题落地后保持静止；3–5 种有原因的转场；在最快帧处剪切。 - 视差：背景 0.1–0.3×，中景 0.5–0.7×，前景 1–1.5× 带模糊。无人机镜头 = 嵌套图层堆叠，使用对数缩放（窗户 → 外墙 → 街区 → 地图 → 云层 → 星球）。
- 等距：单一投影；平面阴影 15–30%；顶部更亮。
- 字体：最多 2 个家族；标题高度为画面高度的 4–9%；字母错开 20–40 ms，单词错开 40–70 ms；可变字体用于字重/宽度。
- 竖屏：关键内容在中央 80%；字幕在下方安全区域（≥ 110 px）；文字 ≥ 44 px；逐词字幕，确保无声也能理解。